首页 理论教育 基于小波消噪的时间序列模型在853农场年降水预测中的应用

基于小波消噪的时间序列模型在853农场年降水预测中的应用

时间:2023-11-18 理论教育 版权反馈
【摘要】:现采用小波消噪方法及时间序列分析方法[3],以853 农场为例,采用1959~1998 年数据建立基于小波消噪的年降水时序模型,对年降水量进行模拟、预测,揭示该区降水变化规律,1999~2005 年数据留作预留检验。因此,所建的基于小波消噪的853 农场年降水时序模型可靠性和预测精度较高,可用于预测853 农场未来年降水量。

基于小波消噪的时间序列模型在853农场年降水预测中的应用

853农场位于黑龙江省三江平原东部,隶属于黑龙江省农垦总局红兴隆分局,土地总面积为1165.7km2,其中耕地面积为581.35km2。853农场是一个以种植麦、豆、玉米水稻为主的大型机械化国营农场,从1991~2000年,853农场的水田面积由0.61 万hm2激增到2.67 万hm2(72%为井灌水稻)。据调查,853 农场从1991~1998年8年间,地下水位年平均降幅为0.3m∕a,从1999~2004年6年间,地下水位年平均降幅为0.7m∕a左右。地下水位的持续下降已经严重地破坏了当地地下水资源的供需平衡。为了充分利用天然降水、节约地下水资源以及实现地下水资源的可持续利用,需要对当地的降水动态变化趋势进行分析预测。

从红兴隆分局气象台收集到853 农场1959~2005 年的实测年降水序列资料。现采用小波消噪方法及时间序列分析方法[3],以853 农场为例,采用1959~1998 年数据建立基于小波消噪的年降水时序模型,对年降水量进行模拟、预测,揭示该区降水变化规律,1999~2005 年数据留作预留检验。

(一)实测年降水序列消噪

由于年降水序列时间尺度为年,噪声不是很强,因此,在消噪时应避免掩盖真实信号。将853 农场实测年降水序列Pt 进行1 次Mallat算法分解,小波函数采用Symlets8正交小波,采用heursure启发式方法估算小波分解系数的阈值,利用软阈值方法进行消噪,再利用Mallat算法进行重构,即可得到消噪后年降水序列P′t,见图2-1。

图2-1 853 农场年降水序列启发式软阈值方式消噪(1959~1998年)

(a)原始序列;(b)消噪序列;(c)噪声序列

(二)年降水消噪序列的平稳化

从图2-1(b)可以看出,年降水消噪序列P′t 为一非平稳序列。要使P′t 转换为平稳时间序列,可以对其进行差分处理。由于P′t 在均值水平上不平稳,因此认为只需对其进行一次差分即可达到平稳,即:

式中:B 为后移算子。

通过差分,使得年降水消噪序列P′t 由非平稳序列转化为平稳序列Xt,见图2-2。

(三)差分后年降水消噪序列的标准化处理

图2-2 853 农场差分后年降水消噪序列变化曲线

图2-3 853 农场差分后年降水消噪标准化序列变化曲线

(四)建立差分后年降水消噪标准化序列时间序列模型

1.建立趋势项模型

采用Kendall秩次相关法[4]对853 农场差分后年降水消噪标准化序列X′t 是否存在趋势成分进行检验。

构造统计量U:

式中:n为序列长度;M 为所有对偶值(X′i,X′j,i<j)(i=1,2,…,n-1;j=i+1,i+2,…,n)中X′i<X′j 出现的次数。

当n增加时,U 很快收敛于标准正态分布,因此可用其进行趋势成分的显著性检验。

2.建立周期项模型

式中:为周期项Ct 的估计值,mm。

根据周期项模型绘制周期项曲线,见图2-4。

图2-4 周期项变化曲线

3.建立随机项模型

(www.xing528.com)

表2-1 显著性检验计算结果

(2)自相关分析。样本数n=39,取最大时移m=20。通过编程计算随机序列Rt 的自相关系数,并绘制自相关图,在自相关图上加绘置信水平为95% (显著性水平α=0.05)的容许限,见图2-5。由图2-5 可以看出,随机序列Rt 的自相关图具有截尾性,即在k=1 时rk 出现最大值,k>1 时,rk 落在95%容许限范围内,因此,可以初步判定随机序列Rt 不属于AR(p)模型,具体采用什么模型还应进一步进行偏相关分析。

(3)偏相关分析。采用尤尔—沃尔克估计法,编程计算随机序列Rt 的偏相关系数φk,并绘制偏相关图,在偏相关图上加绘置信水平为95%的容许限,见图2-6。由图2-6可以看出,偏相关图具有明显的拖尾性,即在k=1 时φk 出现最大值,k>1 时,φk随阶数的增加而逐渐减小,呈拖尾状,逐渐衰减地趋向于0。再根据自相关图具有截尾性特征,可以初步判定模型形式为滑动平均模型MA(q)。

图2-5 随机序列自相关图

图2-6 随机序列偏相关图

(6)模型的进一步识别。采用AIC准则来进一步识别MA(q)模型的阶数是否合适。通过计算,当q=1 时,AIC(0,1)=39ln0.6558+2×1=-14.4541,AIC达到最小值。这说明,初步确定的模型阶数为1 阶是合适的。

(7)模型检验。由式(2-5)经过整理后,得到残差序列表达式为:

图2-7 残差序列变化曲线

(五)模型组合

将趋势项、周期项和随机项模型叠加再还原,就可得到853 农场基于小波消噪的年降水时序预测模型,即:

(六)模型拟合

采用已经建立的基于小波消噪的降水时序预测模型对853 农场1960~1998 年的年降水量进行拟合,见图2-8。

图2-8 基于小波消噪的853 农场年降水时序模型拟合曲线

图2-9 基于小波消噪的853 农场年降水时序模型预测曲线(1999~2005 年)

(七)模型预测

表2-2 基于小波消噪的853农场年降水时序模型后验预测误差(1999~2005年)

经过计算,预测检验合格率为85.71% (相对误差e<20%为合格),达到1 级标准。因此,所建的基于小波消噪的853 农场年降水时序模型可靠性和预测精度较高,可用于预测853 农场未来年降水量。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈